Cursus Data-analyse

Les 1 • Analytisch denken en probleemformulering

Ontwikkelt gestructureerde denkvaardigheden: problemen ontleden, hypothesen vormen en cognitieve vooroordelen vermijden. Deze gewoonten vormen de basis voor elke analytische beslissing die later wordt genomen.

Les 2 • De data-analyseworkflow

Introduceert het end-to-endproces: definiëren, verzamelen, opschonen, analyseren, visualiseren en communiceren. Biedt een herhaalbaar framework dat studenten in elk volgend hoofdstuk toepassen.

Les 3 • Wat data-analyse is

Definieert data-analyse, de zakelijke waarde ervan en hoe het verschilt van datawetenschap. Verankert het hoofdstuk door een gedeelde woordenschat vast te stellen voor alle volgende onderwerpen.

Les 4 • De analytische omgeving opzetten

Begeleidt studenten bij het installeren en configureren van tools die in de cursus worden gebruikt. Een functionele werkruimte is vereist voordat de praktijkoefeningen beginnen.

Les 1 • Primaire vs. secundaire databronnen

Onderscheidt intern gegenereerde data van extern verkregen data en legt de afwegingen uit op het gebied van kosten, actualiteit en controle. Bepaalt het kader voor beslissingen over bronselectie.

Les 2 • Databases en querybasisprincipes

Introduceert relationele databaseconcepten en basis-SQL voor het extraheren van data. Queryvaardigheden zijn essentieel voor het openen van gestructureerde organisatiedata.

Les 3 • Beoordeling van datakwaliteit

Leert dimensies van datakwaliteit: nauwkeurigheid, volledigheid, consistentie en actualiteit. Analisten moeten de geschiktheid voor een doel evalueren voordat ze in analyse investeren.

Les 4 • Ethische en privacyoverwegingen

Behandelt toestemming, anonimisering en verantwoord dataverwerking in lijn met wereldwijde privacyprincipes. Ethische verzamelingspraktijken beschermen individuen en organisaties.

Les 1 • Datasets samenvoegen en herstructureren

Leert joins, concatenatie, pivoteren en smelten om data te combineren en te herstructureren. Analisten integreren routinematig meerdere bronnen in één analytische tabel.

Les 2 • Ontbrekende data identificeren en verwerken

Legt patronen van willekeurig vs. niet-willekeurig ontbreken uit en past strategieën toe voor verwijdering, imputatie en markering. Juiste verwerking voorkomt vertekende downstream-resultaten.

Les 3 • Een reproduceerbare opschoningspipeline bouwen

Structureert opschoningsstappen in herbruikbare scripts en documenteert elke transformatiebeslissing. Reproduceerbaarheid zorgt ervoor dat opschoning kan worden gecontroleerd en herhaald op nieuwe data.

Les 4 • Uitschieters detecteren en behandelen

Gebruikt statistische en visuele methoden om uitschieters te identificeren en beslist of ze worden verwijderd, begrensd of behouden. Beslissingen over uitschieters hebben directe invloed op samenvattende statistieken en modellen.

Les 1 • Bevindingen van EDA documenteren

Structureert EDA-outputs in een verhaal met geannoteerde grafieken en belangrijke observaties. Gedocumenteerde bevindingen dienen als basis voor formele analyse en rapportage.

Les 2 • Essentiële beschrijvende statistiek

Behandelt maten van centrale tendentie, spreiding en vorm voor zowel numerieke als categorische variabelen. Deze statistieken vormen de basissamenvatting waarmee elke analyse begint.

Les 3 • Groeperings- en segmentatieanalyse

Gebruikt groupby-bewerkingen en draaitabellen om statistieken tussen segmenten te vergelijken. Segmentatie brengt subgroepverschillen aan het licht die onzichtbaar zijn in geaggregeerde samenvattingen.

Les 4 • Univariate distributieanalyse

Onderzoekt enkelvoudige variabeleverdelingen met histogrammen, dichtheidsplots en Q-Q-plots. Inzicht in het gedrag van individuele variabelen gaat vooraf aan multivariate verkenning.

Les 1 • Grafieken bouwen met Python-bibliotheken

Implementeert visualisaties met Matplotlib en Seaborn met volledige controle over de styling. Programmatische grafieken zijn reproduceerbaar en eenvoudig bij te werken met nieuwe data.

Les 2 • Grafiektypen en wanneer ze te gebruiken

Koppelt analytische doelen (vergelijking, verdeling, relatie, samenstelling) aan geschikte grafiektypen. De juiste grafiekselectie is de eerste stap in duidelijke communicatie.

Les 3 • Interactieve visualisaties en dashboards

Introduceert Plotly en basis dashboardframeworks voor interactieve verkenning. Interactiviteit stelt belanghebbenden in staat om zelf inzichten te verkrijgen zonder tussenkomst van een analist.

Les 4 • Principes van effectieve visualisatie

Behandelt Tufte's data-ink ratio, pre-attentieve attributen en kaders voor grafiekselectie. Oordeelkundig ontwerp voorkomt misleidende of rommelige visuals.

Les 1 • Kader voor hypothesetoetsing

Introduceert nul- en alternatieve hypothesen, p-waarden, significantieniveaus en Type I/II-fouten. Dit kader wordt toegepast bij elke toets die in de volgende secties wordt behandeld.

Les 2 • Steekproefneming en schatting

Legt steekproefmethoden, bepaling van steekproefomvang en punt- vs. intervalschatting uit. Juiste steekproefneming zorgt ervoor dat resultaten generaliseerbaar zijn naar de doelpopulatie.

Les 3 • Correlatie en enkelvoudige regressie

Kwantificeert lineaire verbanden en bouwt enkelvoudige regressiemodellen voor voorspelling en uitleg. Regressie breidt correlatie uit tot bruikbare voorspellende uitspraken.

Les 4 • Kansrekeningbasis voor analisten

Behandelt kansregels, voorwaardelijke kans en veelvoorkomende verdelingen die relevant zijn voor zakelijke data. Kansrekening vormt de basis voor elke later geïntroduceerde inferentietechniek.

Les 1 • Tijdreeksanalyse

Ontleedt tijdreeksdata in trend, seizoensgebondenheid en residucomponenten en past voorspellingsmodellen toe. Temporele patronen zijn van cruciaal belang in operationele en financiële analyse.

Les 2 • Segmentatie en clustering

Past k-means en hiërarchische clustering toe om klanten, producten of gedragingen te segmenteren. Segmentatie maakt gerichte strategieën mogelijk op basis van datagestuurde groepen.

Les 3 • Meervoudige regressieanalyse

Bouwt en interpreteert meervoudige lineaire regressiemodellen met diagnostiek en variabelenselectie. Breidt enkelvoudige regressie uit om meerdere voorspellers tegelijkertijd te verwerken.

Les 4 • Feature-engineering en -selectie

Creëert en selecteert informatieve features om de modelprestatie te verbeteren. Goed ontworpen features zijn vaak belangrijker dan de algoritmekeuzes in praktische toepassingen.

Les 1 • Analytische impact meten

Stelt meetgegevens vast om te volgen of aanbevelingen zijn geïmplementeerd en de verwachte resultaten hebben opgeleverd. Het sluiten van de feedbackloop verhoogt de geloofwaardigheid van de analist en verbetert toekomstig werk.

Les 2 • Presentaties maken die klaar zijn voor directie

Ontwerpt slide decks met duidelijke titels, minimale tekst en ondersteunende visuals die aansluiten bij het verhaal. Directiepubliek vereist beknopte, op besluitvorming gerichte communicatie.

Les 3 • Analyse vertalen naar aanbevelingen

Converteert statistische bevindingen naar specifieke, geprioriteerde zakelijke aanbevelingen met verwachte impact. Aanbevelingen overbruggen de kloof tussen analyse en organisatorische actie.

Les 4 • Omgaan met vragen van belanghebbenden

Bereidt analisten voor om methodologie te verdedigen, scepsis aan te pakken en aannames te verduidelijken onder druk. Geloofwaardigheid hangt af van zelfverzekerde, transparante reacties op kritiek.